CN117974633B - 基于图像处理的番茄病虫害智能检测方法 - Google Patents
基于图像处理的番茄病虫害智能检测方法 Download PDFInfo
- Publication number
- CN117974633B CN117974633B CN202410361503.5A CN202410361503A CN117974633B CN 117974633 B CN117974633 B CN 117974633B CN 202410361503 A CN202410361503 A CN 202410361503A CN 117974633 B CN117974633 B CN 117974633B
- Authority
- CN
- China
- Prior art keywords
- tomato
- connected domain
- texture
- obtaining
- category
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 87
- 235000007688 Lycopersicon esculentum Nutrition 0.000 title claims abstract description 83
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 240000003768 Solanum lycopersicum Species 0.000 title claims description 105
- 230000002159 abnormal effect Effects 0.000 claims abstract description 77
- 201000010099 disease Diseases 0.000 claims abstract description 72
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 72
- 241000238631 Hexapoda Species 0.000 claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 10
- 239000003550 marker Substances 0.000 claims description 37
- 238000000034 method Methods 0.000 claims description 26
- 230000005484 gravity Effects 0.000 claims description 8
- 241000196324 Embryophyta Species 0.000 claims description 3
- 241000227653 Lycopersicon Species 0.000 abstract 5
- 238000003672 processing method Methods 0.000 abstract 1
- 210000003462 vein Anatomy 0.000 description 16
- 230000000875 corresponding effect Effects 0.000 description 13
- 235000019646 color tone Nutrition 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- UHPMCKVQTMMPCG-UHFFFAOYSA-N 5,8-dihydroxy-2-methoxy-6-methyl-7-(2-oxopropyl)naphthalene-1,4-dione Chemical compound CC1=C(CC(C)=O)C(O)=C2C(=O)C(OC)=CC(=O)C2=C1O UHPMCKVQTMMPCG-UHFFFAOYSA-N 0.000 description 1
- 241001124076 Aphididae Species 0.000 description 1
- 241000488563 Eotetranychus carpini Species 0.000 description 1
- 241000221785 Erysiphales Species 0.000 description 1
- 241000223218 Fusarium Species 0.000 description 1
- 241000255967 Helicoverpa zea Species 0.000 description 1
- 244000269722 Thea sinensis Species 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像处理领域,具体涉及基于图像处理的番茄病虫害智能检测方法,包括:采集番茄叶子图像,获取灰度图和二值图;根据像素点的色调获取正常像素点和异常像素点,根据异常像素点获取异常区域;获取不同k值聚类下对应的评估指标,获取最佳k值和最佳聚类结果;根据每个连通域的面积和每个连通域凸包检测后的面积得到每个连通域的纹理密度;根据每个类别的灰度共生矩阵得到每个类别的纹理清晰度;根据每个类别的纹理清晰度得到每个连通域的纹理清晰度;根据每个标记连通域的纹理密度和纹理清晰度得到每个标记连通域的评价指标,得到番茄病虫害区域和病虫害情况。本发明用图像处理方法获取番茄病虫害区域,提高番茄病虫害检测的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于图像处理的番茄病虫害智能检测方法。
背景技术
番茄常见的病害有枯萎病、病毒病、白粉病等,常见的虫害有蚜虫、棉铃虫、茶黄螨等。在对番茄植株进行病虫害检测时,一般可以在番茄植株地进行均匀采样,采集番茄植株的叶子,分析番茄是否存在病虫害。由于番茄植株是否存在病害在叶子上有明显的颜色差异,并在饱和度上差异很大,所以现有技术一般采用HSI颜色空间,并且结合GLCM矩阵检测番茄是否存在病虫害。
采集叶子受光照和灰尘影响,在正常区域中也会存在异常的色调,无法直接通过色调得到叶子是否存在病虫害。
发明内容
本发明提供基于图像处理的番茄病虫害智能检测方法,以解决现有的问题。
本发明的基于图像处理的番茄病虫害智能检测方法采用如下技术方案:
本发明一个实施例提供了基于图像处理的番茄病虫害智能检测方法,该方法包括以下步骤:
采集番茄叶子图像,获取番茄叶子图像的灰度图,根据灰度图得到二值图;
获取番茄叶子图像中每个像素点的色调,根据每个像素点的色调获取番茄叶子图像中的正常像素点和异常像素点,根据番茄叶子图像异常像素点获取番茄叶子图像中的异常区域;对异常区域中的像素点根据色调进行不同k值的聚类,获取不同k值聚类下对应的评估指标,根据不同k值聚类下对应的评估指标得到最佳k值,根据最佳k值进行聚类得到最佳聚类结果;
获取二值图中的所有连通域,获取每个连通域的面积,对每个连通域进行凸包检测得到每个连通域凸包检测后的面积,根据每个连通域的面积和每个连通域凸包检测后的面积得到每个连通域的纹理密度;
获取最佳聚类结果中每个类别的灰度共生矩阵,根据每个类别的灰度共生矩阵和像素点的灰度值得到每个类别的纹理清晰度;获取完全在类别中的连通域,记为标记连通域;根据每个类别的纹理清晰度得到每个标记连通域的纹理清晰度,根据每个连通域的纹理密度得到每个标记连通域的纹理密度;
根据每个标记连通域的纹理密度和纹理清晰度得到每个标记连通域的评价指标,根据每个标记连通域的评价指标得到番茄叶子的病虫害区域,根据番茄叶子的病虫害区域得到整个番茄植株的病虫害情况。
进一步地,所述根据每个像素点的色调获取番茄叶子图像中的正常像素点和异常像素点,包括的具体步骤如下:
预设色调范围,将像素点的色调处于色调范围内的像素点记为正常像素点,将像素点的色调处于色调范围之外的像素点记为异常像素点。
进一步地,所述获取不同k值聚类下对应的评估指标,包括的具体步骤如下:
将同一类别中出现相同色调的像素点,记为标记像素点,对类别中的标记像素点进行排除,排除之后,将剩余的像素点记为剩余像素点;
计算类别个数为k的聚类结果中任意两个类别中任意剩余像素点之间色调H差值的绝对值,当任意两个剩余像素点之间色调差值的绝对值小于预设差异阈值Hd时,则设置的累加器g加1,然后得到所有类别中每两个类别之间的最终累加器的值g;
将类别个数为k的聚类结果中的所有类别进行两两类别组合,两两类别组合的个数记为N,获取这N个组合中的第i个组合,第i个组合中的两个类别分别记为第一类别和第二类别,第一类别中的剩余像素点与第二类别中剩余像素点进行两两组合,得到这个组合个数记为,类别个数为k的聚类结果中剩余像素点中的组合个数的累加和记为C,则;
计算所有类别中每两个类别之间的最终累加器的值g与剩余像素点组合个数的累加和之间的比值,记为类别个数为k的聚类结果的评估指标,用/>表示。
进一步地,所述根据不同k值聚类下对应的评估指标得到最佳k值,包括的具体步骤如下:
选取评估指标最小时对应的k值为最佳k值。
进一步地,所述每个连通域的纹理密度的具体获取步骤如下:
每个连通域的纹理密度的公式为:
式中,表示第r个连通域的面积,/>表示第r个连通域凸包检测后的面积,表示第r个连通域的纹理密度。
进一步地,所述每个类别的纹理清晰度的具体获取步骤如下:
每个类别的纹理清晰度的公式为:
式中,表示在第t个类别中第i个异常像素点的灰度值;/>表示在第t个类别中与第i个异常像素点相邻的第j个像素点的灰度值;将第t个类别中第i个异常像素点和第t个类别中与第i个异常像素点相邻的第j个异常像素点的灰度级组合记为目标组合,/>表示第t个类别中目标组合的个数和第t个类别中所有相邻像素点灰度级组合的个数的比值,即目标组合在第t个类别中的频率,/>表示第t个类别的纹理清晰度,K表示对应类别中的异常像素点个数,8为以第i个异常像素点为中心像素点的八邻域。
进一步地,所述根据每个类别的纹理清晰度得到每个标记连通域的纹理清晰度,包括的具体步骤如下:
每个类别中的标记连通域的纹理清晰度等于对应类别的纹理清晰度。
进一步地,所述每个标记连通域的评价指标的具体获取步骤如下:
每个标记连通域的评价指标的公式为:
式中,表示第r个标记连通域的纹理密度,/>表示在异常区域中所有标记连通域的纹理密度的均值,/>表示第r个标记连通域的纹理清晰度,/>表示在异常区域中所有标记连通域的纹理清晰度的均值,Z表示在异常区域中所有标记连通域的数量,/>表示异常区域中第r个标记连通域的评价指标。
进一步地,所述根据每个标记连通域的评价指标得到番茄叶子的病虫害区域,包括的具体步骤如下:
获取标记连通域的评价指标小于0时对应的所有标记连通域记为番茄叶子的病虫害区域。
进一步地,所述根据番茄叶子的病虫害区域得到整个番茄植株的病虫害情况,包括的具体步骤如下:
计算每个番茄叶子中病虫害区域的面积占整个番茄叶子的面积的比重,记为番茄叶子的病虫害率,计算番茄植株中所有番茄叶子的病虫害率的均值记为bb;当番茄植株中所有番茄叶子的病虫害率的均值bb大于等于预设比重阈值Bb,则番茄植株受病虫害的影响。
本发明的技术方案的有益效果是:通过正常叶子色调范围找到叶子的异常区域,减少GLCM算法的计算量。利用叶脉纹理的方向及纹理较深的特点,并针对病虫害导致的无规则纹理特点,得到二者对异常区域是否存在病虫害的影响,以此构建病虫害程度公式准确得到番茄植株叶片是否存在病虫害。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于图像处理的番茄病虫害智能检测方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于图像处理的番茄病虫害智能检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于图像处理的番茄病虫害智能检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于图像处理的番茄病虫害智能检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集番茄植株叶子的图像。
需要说明的是,本实施例在进行检测番茄是否存在病虫害时,通过分析番茄植株叶子是否存在异常,以此确定番茄是否存在病虫害。由于番茄种植较多,对番茄种植地进行病虫害检测时使用图像处理方式对番茄植株的叶子进行处理,所以获取每个番茄植株叶子的图像进行分析。
具体地,通过摄像机拍摄番茄植株叶子图像,得到番茄叶子图像,进行后续分析。
至此,得到番茄叶子图像。
步骤S002:根据异常叶子的色调范围确定图像中的异常区域,利用不同像素对距离和角度下异常区域的GLCM矩阵对角线区域元素大小确定叶脉纹理并得到叶脉纹理的清晰程度,结合异常区域中病虫害导致的细纹理的密度,量化并获取病虫害区域。
需要说明的是,在番茄叶子图像中,健康叶子色调范围为绿色至深绿,不在该范围的区域都是“异常区域”。在受到病虫害的叶子上,会有各种分泌物,导致在计算叶子叶脉纹理时,反映纹理清晰度的参数会降低。并且因病虫害导致叶子出现的纹理,方向基本是无规则,但叶脉的纹理是有确定方向。所以通过色调异常可以得到图像中所有的异常区域,并计算叶脉的纹理清晰程度及病虫害导致的纹理密度,病虫害的结果会导致叶脉清晰程度降低。在异常区域中,病虫害纹理密度越大,叶脉纹理越模糊,则该处异常区域存在病虫害的概率就越大。
(1)通过番茄叶子图像中的色调差异确定出番茄叶子图像中的异常区域。
进一步需要说明的是,“健康”叶子的色调范围为绿色到深绿,并且由于环境因素和灰尘影响及叶子本身水分因素,色调中也会存在黑色及白色。像素点色调不处于绿色至深绿范围中,则为异常病虫害区域像素点概率越高。通常病虫害区域的饱和度对比正常区域比较低,若分量越低,则该点为异常区域的点的概率越高。异常叶子色调范围为深黄至绿色,也会存在白色及黑色色调。色调为深黄至黄绿色范围的区域,该处区域色调形成原因无非是环境因素或是病虫害。所以仅对此色调范围的区域进行处理,增大检测番茄病虫害的准确度,同时也减少算法的计算量。
具体地,通过HSI颜色空间对采集的番茄叶子图像进行处理,得到图像中每个像素点对应的H、S、I三个通道分量,图像第个像素点的三通道分量记为(/>)。在HSI颜色空间中,H表示色调,S表示饱和度,I表示亮度,绿色至深绿色的/>分量范围通常为,对于图像第/>个像素点来说,若其/>,并且饱和度在较低情况下,基本可以确定第i个像素点为异常区域像素点的概率就越大,即认为第i个像素点为异常像素点;反之,则像素点为正常像素点。其中,所有的异常像素点构成一个异常区域。
至此,得到番茄叶子图像中的异常区域。
(2)对番茄叶子图像中的异常区域中的异常像素点进行聚类,获取最优的类别值。
通过分析同一聚类结果中不同类别之间的差异获取K值的评价指标。
具体地,获取类别个数为k的聚类结果中每个类别中像素点的色调,获取任意两个类别,分别记为第一类别和第二类别,将同一类别中出现相同色调的像素点,记为标记像素点,对第一类别和第二类别中的标记像素点进行排除,排除之后,将剩余的像素点记为剩余像素点。将第一类别中的剩余像素点个数记为T1,将第二类别中的剩余像素点个数记为T2。将第一类别和第二类别之间的剩余像素点个数的乘积后的个数记为,即,简记为第一类别和第二类别的剩余像素点组合个数。
预设一个差异阈值Hd,其中本实施例以Hd=5为例进行叙述,本实施例不进行具体限定,其中Hd可根据具体实施情况而定。设置一个累加器g,累加器g的初始值为0。
选取第一类别中的第一个剩余像素点分别与第二类别中的第一个剩余像素点之间进行色调H作差并求绝对值,将差值绝对值的结果记为。当/>小于Hd时,即认为符合累加g的条件,则此时累加器g加1,当/>大于等于Hd时,即认为不符合累加g的条件,则此时累加器g不变。
继续,选取第一类别中的第一个剩余像素点分别与第二类别中的第二个剩余像素点之间进行色调H作差并求绝对值,将差值绝对值的结果记为。当/>小于Hd时,即认为符合累加g的条件,则此时累加器g加1,当/>大于等于Hd时,即认为不符合累加g的条件,则此时累加器g不变。
依次,选取第一类别中的第一个剩余像素点分别与第二类别中的第T2个剩余像素点之间进行色调H作差并求绝对值,将差值绝对值的结果记为。当/>小于Hd时,即认为符合累加g的条件,则此时累加器g加1,当/>大于等于Hd时,即认为不符合累加g的条件,则此时累加器g不变。
依次,选取第一类别中的第二个剩余像素点分别与第二类别中的第T2个剩余像素点之间进行色调H作差并求绝对值,将差值绝对值的结果记为。当/>小于Hd时,即认为符合累加g的条件,则此时累加器g加1,当/>大于等于Hd时,即认为不符合累加g的条件,则此时累加器g不变。
同理,选取第一类别中的第T1个剩余像素点分别与第二类别中的第T2个剩余像素点之间进行色调H作差并求绝对值,将差值绝对值的结果记为。当/>小于Hd时,即认为符合累加g的条件,则此时累加器g加1,当/>大于等于Hd时,即认为不符合累加g的条件,则此时累加器g不变。
最后,可以得到第一类别中任意一个剩余像素点与第二类别中任意一个剩余像素点之间色调H的差值的绝对值,并得到类别个数为k的聚类结果中第一类别和第二类别处理后最终累加器的值g。
将类别个数为k的聚类结果中的所有类别进行两两类别组合,两两类别组合的个数记为N,获取这N个组合中的第i个组合,第i个组合中的两个类别分别记为第一类别和第二类别,第一类别中的剩余像素点与第二类别中剩余像素点进行两两组合,得到这个组合个数记为,类别个数为k的聚类结果中剩余像素点中的组合个数的累加和记为C,。
同理,继续获取类别个数为k的聚类结果中所有类别中每两个类别之间的最终累加器的值g;计算所有类别中每两个类别之间的最终累加器的值g与剩余像素点组合个数的累加和之间的比值,记为类别个数为k的聚类结果的评估指标,用/>表示。
然后,选取评估指标最小时对应的k值为最佳k值。获取到最佳k值后对异常区域中的所有异常像素点进行聚类,得到最佳聚类结果。
(3)获取异常区域中每个连通域的纹理密度和纹理清晰度。
需要说明的是,在番茄叶片图像中,叶脉纹理及病害纹理随着纹理密度的增大二者的清晰度表现存在差异,即纹理密度越大,叶脉纹理的清晰度基本不变,病虫害纹理的清晰度逐渐下降,以此进行番茄病虫害检测。
具体地,对番茄叶子图像进行灰度化得到灰度图,对灰度图进行大津阈值分割得到二值图,获取二值图中所有的连通域,将获取连通域的面积记为M,对每个连通域进行凸包检测,获取每个连通域凸包检测后的面积记为ML。根据每个连通域的面积M和每个连通域凸包检测后的面积ML进行分析,得到每个连通域的纹理密度。
每个连通域的纹理密度的公式为:
式中,表示第r个连通域的面积,/>表示第r个连通域凸包检测后的面积,表示第r个连通域的纹理密度。
预设一个阈值A,其中本实施例以A=5为例进行叙述,本实施例不进行具体限定,其中A可根据具体实施情况而定。将灰度图中的每个像素点的灰度值均等划分为A个灰度级。
按照新划分的灰度级,获取最佳聚类结果中每个类别对应的灰度共生矩阵,根据灰度共生矩阵计算每个类别的纹理清晰度。获取每个类别中的异常像素点个数,记为K;根据灰度共生矩阵得到任意两个相邻像素点灰度级组合出现的频率。
具体纹理清晰度的计算公式如下:
式中,表示在第t个类别中第i个异常像素点的灰度值;/>表示在第t个类别中与第i个异常像素点相邻的第j个像素点的灰度值;将第t个类别中第i个异常像素点和第t个类别中与第i个异常像素点相邻的第j个异常像素点的灰度级组合记为目标组合,/>表示第t个类别中目标组合的个数和第t个类别中所有相邻像素点灰度级组合的个数的比值,即目标组合在第t个类别中的频率,/>表示第t个类别的纹理清晰度,K表示对应类别中的异常像素点个数,8为以第i个异常像素点为中心像素点的八邻域。
由于一个类别中可能存在多个连通域,即一个类别中包含的连通域,所以每个类别中的连通域的纹理清晰度就等于对应类别的纹理清晰度。将聚类结果中所有类别包括的连通域记为标记连通域。
至此,得到异常区域中每个标记连通域的纹理密度和纹理清晰度。
(4)根据每个标记连通域的密度和纹理清晰度得到每个标记连通域的病虫害结果。
需要说明的是,对于叶脉纹理,随着纹理密度的增大,叶脉纹理的清晰度基本为增大或者基本不变;对于病虫害纹理,随着纹理密度的增大,病虫害纹理的清晰度存在明显的下降。所以将连通域纹理密度和纹理清晰度作为连通域的两个数据,可以得到所有连通域纹理密度组成的一组序列和所有连通域纹理清晰度组成的一组序列,根据两组序列使用皮尔逊相关系数来分析每个连通域是否有病虫害的情况。
则皮尔逊相关系数获取异常区域中每个标记连通域的评价指标的计算公式为:
式中,表示第r个标记连通域的纹理密度,/>表示在异常区域中所有标记连通域的纹理密度的均值,/>表示第r个标记连通域的纹理清晰度,/>表示在异常区域中所有标记连通域的纹理清晰度的均值,Z表示在异常区域中所有标记连通域的数量,/>表示异常区域中第r个标记连通域的评价指标。
其中,当时,表示第r个标记连通域的纹理密度和纹理清晰度存在正相关关系,即随着纹理密度增大,纹理清晰度也随之增大;当/>时,第r个标记连通域的纹理密度和纹理清晰度两个序列存在明显负相关关系,即随着纹理密度增大,纹理清晰度随之减小。
则根据每个标记连通域中纹理密度和纹理清晰度的相关性对每个标记连通域是否为虫害导致进行分析,即当标记连通域的评价指标大于等于0时,认为该标记连通域为叶脉纹理导致;当标记连通域的评价指标小于0时,认为该标记连通域为病虫害所导致。
至此,得到所有番茄叶子的所有病虫害区域。
步骤S003:根据番茄叶子的病虫害情况得到整个番茄植株的病害情况。
获取每个番茄叶子的病虫害区域的面积,计算每个番茄叶子中病虫害区域的面积占整个番茄叶子的面积的比重,记为番茄叶子的病虫害率,计算番茄植株中所有番茄叶子的病虫害率的均值记为bb。预设一个比重阈值Bb,其中本实施例以Bb=0.5为例进行叙述,本实施例不进行具体限定,其中Bb可根据具体实施情况而定。当番茄植株中所有番茄叶子的病虫害率的均值bb大于等于比重阈值Bb,认为番茄叶子的病虫害情况比较严重,此时认为病虫害情况涉及整个番茄植株;反之,则认为番茄的病虫害情况只在番茄叶子中存在,在番茄的根茎部位不存在病虫害情况。
至此,本实施例完成。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于图像处理的番茄病虫害智能检测方法,其特征在于,该方法包括以下步骤:
采集番茄叶子图像,获取番茄叶子图像的灰度图,根据灰度图得到二值图;
获取番茄叶子图像中每个像素点的色调,根据每个像素点的色调获取番茄叶子图像中的正常像素点和异常像素点,根据番茄叶子图像异常像素点获取番茄叶子图像中的异常区域;对异常区域中的像素点根据色调进行不同k值的聚类,获取不同k值聚类下对应的评估指标,根据不同k值聚类下对应的评估指标得到最佳k值,根据最佳k值进行聚类得到最佳聚类结果;
获取二值图中的所有连通域,获取每个连通域的面积,对每个连通域进行凸包检测得到每个连通域凸包检测后的面积,根据每个连通域的面积和每个连通域凸包检测后的面积得到每个连通域的纹理密度;
获取最佳聚类结果中每个类别的灰度共生矩阵,根据每个类别的灰度共生矩阵和像素点的灰度值得到每个类别的纹理清晰度;获取完全在类别中的连通域,记为标记连通域;根据每个类别的纹理清晰度得到每个标记连通域的纹理清晰度,根据每个连通域的纹理密度得到每个标记连通域的纹理密度;
根据每个标记连通域的纹理密度和纹理清晰度得到每个标记连通域的评价指标,根据每个标记连通域的评价指标得到番茄叶子的病虫害区域,根据番茄叶子的病虫害区域得到整个番茄植株的病虫害情况;
所述获取不同k值聚类下对应的评估指标,包括的具体步骤如下:
将同一类别中出现相同色调的像素点,记为标记像素点,对类别中的标记像素点进行排除,排除之后,将剩余的像素点记为剩余像素点;
计算类别个数为k的聚类结果中任意两个类别中任意剩余像素点之间色调H差值的绝对值,当任意两个剩余像素点之间色调差值的绝对值小于预设差异阈值Hd时,则设置的累加器g加1,然后得到所有类别中每两个类别之间的最终累加器的值g;
将类别个数为k的聚类结果中的所有类别进行两两类别组合,两两类别组合的个数记为N,获取这N个组合中的第i个组合,第i个组合中的两个类别分别记为第一类别和第二类别,第一类别中的剩余像素点与第二类别中剩余像素点进行两两组合,得到这个组合个数记为,类别个数为k的聚类结果中剩余像素点中的组合个数的累加和记为C,则;
计算所有类别中每两个类别之间的最终累加器的值g与剩余像素点组合个数的累加和之间的比值,记为类别个数为k的聚类结果的评估指标,用/>表示;
所述每个标记连通域的评价指标的具体获取步骤如下:
每个标记连通域的评价指标的公式为:
式中,表示第r个标记连通域的纹理密度,/>表示在异常区域中所有标记连通域的纹理密度的均值,/>表示第r个标记连通域的纹理清晰度,/>表示在异常区域中所有标记连通域的纹理清晰度的均值,Z表示在异常区域中所有标记连通域的数量,/>表示异常区域中第r个标记连通域的评价指标;
所述根据番茄叶子的病虫害区域得到整个番茄植株的病虫害情况,包括的具体步骤如下:
计算每个番茄叶子中病虫害区域的面积占整个番茄叶子的面积的比重,记为番茄叶子的病虫害率,计算番茄植株中所有番茄叶子的病虫害率的均值记为bb;当番茄植株中所有番茄叶子的病虫害率的均值bb大于等于预设比重阈值Bb,则番茄植株受病虫害的影响。
2.根据权利要求1所述基于图像处理的番茄病虫害智能检测方法,其特征在于,所述根据每个像素点的色调获取番茄叶子图像中的正常像素点和异常像素点,包括的具体步骤如下:
预设色调范围,将像素点的色调处于色调范围内的像素点记为正常像素点,将像素点的色调处于色调范围之外的像素点记为异常像素点。
3.根据权利要求1所述基于图像处理的番茄病虫害智能检测方法,其特征在于,所述根据不同k值聚类下对应的评估指标得到最佳k值,包括的具体步骤如下:
选取评估指标最小时对应的k值为最佳k值。
4.根据权利要求1所述基于图像处理的番茄病虫害智能检测方法,其特征在于,所述每个连通域的纹理密度的具体获取步骤如下:
每个连通域的纹理密度的公式为:
式中,表示第r个连通域的面积,/>表示第r个连通域凸包检测后的面积,/>表示第r个连通域的纹理密度。
5.根据权利要求1所述基于图像处理的番茄病虫害智能检测方法,其特征在于,所述每个类别的纹理清晰度的具体获取步骤如下:
每个类别的纹理清晰度的公式为:
式中,表示在第t个类别中第i个异常像素点的灰度值;/>表示在第t个类别中与第i个异常像素点相邻的第j个像素点的灰度值;将第t个类别中第i个异常像素点和第t个类别中与第i个异常像素点相邻的第j个异常像素点的灰度级组合记为目标组合,/>表示第t个类别中目标组合的个数和第t个类别中所有相邻像素点灰度级组合的个数的比值,即目标组合在第t个类别中的频率,/>表示第t个类别的纹理清晰度,K表示对应类别中的异常像素点个数,8为以第i个异常像素点为中心像素点的八邻域。
6.根据权利要求1所述基于图像处理的番茄病虫害智能检测方法,其特征在于,所述根据每个类别的纹理清晰度得到每个标记连通域的纹理清晰度,包括的具体步骤如下:
每个类别中的标记连通域的纹理清晰度等于对应类别的纹理清晰度。
7.根据权利要求1所述基于图像处理的番茄病虫害智能检测方法,其特征在于,所述根据每个标记连通域的评价指标得到番茄叶子的病虫害区域,包括的具体步骤如下:
获取标记连通域的评价指标小于0时对应的所有标记连通域记为番茄叶子的病虫害区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410361503.5A CN117974633B (zh) | 2024-03-28 | 2024-03-28 | 基于图像处理的番茄病虫害智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410361503.5A CN117974633B (zh) | 2024-03-28 | 2024-03-28 | 基于图像处理的番茄病虫害智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117974633A CN117974633A (zh) | 2024-05-03 |
CN117974633B true CN117974633B (zh) | 2024-06-07 |
Family
ID=90855851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410361503.5A Active CN117974633B (zh) | 2024-03-28 | 2024-03-28 | 基于图像处理的番茄病虫害智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117974633B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170071913A (ko) * | 2015-12-16 | 2017-06-26 | 순천대학교 산학협력단 | 작물의 잎사귀 건강 상태를 판별하는 이미지 프로세싱 방법 및 시스템 |
CN109804232A (zh) * | 2016-12-30 | 2019-05-24 | 同济大学 | 一种基于红外热像图分析的沥青路面裂缝发育程度检测方法 |
CN112949196A (zh) * | 2021-03-11 | 2021-06-11 | 中国石油大学(北京) | 一种基于残差神经网络的抽油机井故障诊断方法及系统 |
CN113989536A (zh) * | 2020-07-09 | 2022-01-28 | 天津科技大学 | 一种基于布谷鸟搜索算法的番茄病害识别方法 |
CN115908371A (zh) * | 2022-12-14 | 2023-04-04 | 南京信息工程大学 | 基于优化分割的植物叶片病虫害程度检测方法 |
CN116612307A (zh) * | 2023-02-15 | 2023-08-18 | 中南民族大学 | 一种基于迁移学习的茄科病害等级识别方法 |
CN116626029A (zh) * | 2023-07-20 | 2023-08-22 | 津泰(天津)医疗器械有限公司 | 一种用于糖尿病氯化钴试纸色差的检测方法 |
CN117636185A (zh) * | 2024-01-26 | 2024-03-01 | 安徽大学 | 基于图像处理的松材线虫病检测系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689374B (zh) * | 2020-05-18 | 2023-10-27 | 浙江大学 | 一种植物叶片表面粗糙度确定方法及系统 |
CN114862858B (zh) * | 2022-07-08 | 2022-11-11 | 湖北省烟草科学研究院 | 基于集成学习的雪茄烟采收成熟度识别方法及系统 |
-
2024
- 2024-03-28 CN CN202410361503.5A patent/CN117974633B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170071913A (ko) * | 2015-12-16 | 2017-06-26 | 순천대학교 산학협력단 | 작물의 잎사귀 건강 상태를 판별하는 이미지 프로세싱 방법 및 시스템 |
CN109804232A (zh) * | 2016-12-30 | 2019-05-24 | 同济大学 | 一种基于红外热像图分析的沥青路面裂缝发育程度检测方法 |
CN113989536A (zh) * | 2020-07-09 | 2022-01-28 | 天津科技大学 | 一种基于布谷鸟搜索算法的番茄病害识别方法 |
CN112949196A (zh) * | 2021-03-11 | 2021-06-11 | 中国石油大学(北京) | 一种基于残差神经网络的抽油机井故障诊断方法及系统 |
CN115908371A (zh) * | 2022-12-14 | 2023-04-04 | 南京信息工程大学 | 基于优化分割的植物叶片病虫害程度检测方法 |
CN116612307A (zh) * | 2023-02-15 | 2023-08-18 | 中南民族大学 | 一种基于迁移学习的茄科病害等级识别方法 |
CN116626029A (zh) * | 2023-07-20 | 2023-08-22 | 津泰(天津)医疗器械有限公司 | 一种用于糖尿病氯化钴试纸色差的检测方法 |
CN117636185A (zh) * | 2024-01-26 | 2024-03-01 | 安徽大学 | 基于图像处理的松材线虫病检测系统 |
Non-Patent Citations (3)
Title |
---|
Multi-objective optimization for k-out-of-n redundancy allocation problem;Tipwimol Sooktip 等;《2012 International Conference on Quality, Reliability, Risk, Maintenance, and Safety Engineering》;20120723;全文 * |
一种基于孔洞填充的路面裂缝识别方法;姜维刚;王仲霖;潘飞;;电子技术与软件工程;20190603(第11期);全文 * |
基于计算机视觉技术的番茄叶部病害识别研究;周正;雷梦龙;唐少先;;安徽农业科学;20130210(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117974633A (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Das et al. | Leaf disease detection using support vector machine | |
CN104598908B (zh) | 一种农作物叶部病害识别方法 | |
CN110852396A (zh) | 一种宫颈图像的样本数据处理方法 | |
CN115830459A (zh) | 基于神经网络的山地林草生命共同体损毁程度检测方法 | |
Patil et al. | Enhanced radial basis function neural network for tomato plant disease leaf image segmentation | |
CN112257702A (zh) | 一种基于增量学习的农作物病害识别方法 | |
CN105320970A (zh) | 一种马铃薯病害诊断装置、诊断系统及诊断方法 | |
CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
CN115908371A (zh) | 基于优化分割的植物叶片病虫害程度检测方法 | |
CN111291818B (zh) | 一种面向云掩膜的非均匀类别的样本均衡化方法 | |
CN116246174A (zh) | 基于图像处理的甘薯种类识别方法 | |
CN114119613B (zh) | 基于图像处理的花生选种方法 | |
CN117474029B (zh) | 基于区块链的ai偏振增强图码波频采集成像识别方法 | |
CN114821268A (zh) | 一种基于机器学习的杂草与作物识别方法 | |
CN117974633B (zh) | 基于图像处理的番茄病虫害智能检测方法 | |
CN113449622A (zh) | 一种棉株和杂草的图像分类识别检测方法 | |
CN116385446B (zh) | 一种用于勃姆石生产的晶体杂质检测方法 | |
CN115880683B (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 | |
CN110544237B (zh) | 基于图像分析的油茶病虫害模型训练方法和识别方法 | |
CN115953686B (zh) | 一种基于图像处理的花生虫害检测方法及系统 | |
CN109544614B (zh) | 一种基于图像低频信息相似度的匹配图像对识别的方法 | |
Yadav et al. | An automated image processing method for segmentation and quantification of rust disease in maize leaves | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN111062954A (zh) | 一种基于差分信息统计的红外图像分割方法、装置及设备 | |
CN108021874A (zh) | 一种基于空-谱结合的高光谱端元提取预处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |